BWR-finder: BWT-based de novo interspersed repeat detection for gigantic genomes

あなたのゲノムを、生命を形作るための指示書が詰まった、巨大で古めかしい図書館だと想像してみてください。しかし、この図書館には奇妙な問題があります。本の膨大なセクションが、同じ物語を何度も繰り返しコピーした内容で埋め尽くされており、それがページの中にランダムに散らばっているのです。これらは「分散型リピート（interspersed repeats）」と呼ばれ、主に「跳躍遺伝子（トランスポゾン）」によって、数百万年をかけてゲノムのあちこちにコピー＆ペーストされたものです。肺魚やサンショウウオのような生物では、これらのコピーがゲノム全体のほぼ90%を占めることもあります！科学者たちは、これらの生物がどのように進化し、なぜこれほど巨大なゲノムを持つに至ったのかを理解するために、これらのコピーを見つけ出し、マッピングする必要があります。しかし、数十億ページにも及ぶこの図書館の中で特定の文章を見つけ出すことは、月まで届くほどの積み上げられた紙の山の中から、特定の文章を探し出すようなものです。通常、この探索を行うために使用されるコンピュータは、メモリ不足に陥ったり、作業が終わるまでに何年もかかったりして、処理しきれなくなってしまいます。

ここで、BWR-finderと呼ばれる新しいツールが登場します。武田敦氏らによる研究チームは、巨大なゲノлоムの中から、家一軒ほどの大きさのスーパーコンピュータを必要とせずに、これらの反復配列を狩り出すために設計された巧妙なソフトウェアプログラムを構築しました。ゲノムをページごとに読み進める代わりに、BWR-finderは「ブロス・ウィーラー変換（Burrows-Wheeler Transform: BWT）」という数学的なトリックを使用します。このトリックを、バラバラになった本を整理し直し、似たような物語を持つ本をすべて一つの整然とした圧縮スタックにまとめる魔法のような方法だと考えてください。この圧縮されたスタックを使用することで、ソフトウェアはパターンを見つけ出し、それらを外側へと拡張して、リピートがどれほど長いかを調べることができます。しかも、他のツールが必要とするメモリのほんの一部しか使用しません。

研究チームは、イネ、ヒト、そして小麦（14.6 Gb）や、非常に巨大なゲノムを持つサンショウムシ（20.3 Gb）、さらには肺魚（最大87.2 Gb）といった実際の「図書館」を用いてBWR-finderをテストしました。その結果は目覚ましいものでした。BWR-finderは、RepeatModeler2、HiTE、REPriseといった既存のツールよりも大幅に高速で、かつ少ないメモリで動作しました。例えば、ヒトゲノムにおいて、他のツールが数日を要したり数百ギガバイトのRAMを必要としたりした一方で、BWR-finderは2時間足らずで作業を完了しました。また、既存のデータベースには存在しなかった、サンショウウオゲノムにおける新しい候補を含む、リピート領域を特定することにも成功しました。しかし、論文ではトレードオフについても指摘しています。BWR-finderは非常に高速かつ並列で動作するため、長いリピートの物語を多くの小さな断片へとバラバラにしてしまうことがあります。つまり、より多くの図書館の内容を見つけ出せる一方で、その断片は、より低速で慎重な手法で見つかるものよりも、少し散らかった状態になるということです。著者らは、これは巨大なゲノムをスキャンするための強力な新しい方法ではあるものの、科学者たちは依然として、これらの断片を完璧に再び接着させるための追加作業を行う必要があるだろうと示唆しています。

散らかった図書館の物語

この新しいツールがいかに重要であるかを理解するために、まず私たちのDNAの中にある「混乱」を見なければなりません。あなたのゲノムが、単なる清潔な取扱説明書ではなく、何百万もの同じチラシがいたるところに散らばっている、混沌とした屋根裏部屋だと想像してください。これらのチラシこそが「分散型リピート」です。これらは主に「跳躍遺伝子（トランスポゾン）」であり、数百万年にわたってDNAのランダムな場所にコピー＆ペーストされてきました。肺魚やサンショウウオのような一部の動物では、これらのコピーがあまりに多いため、ゲノムのほぼ全域を占めています。

科学者たちは、これらのコピーを見つけることで、これらの動物がどのように進化し、なぜこれほど巨大なゲノムを持つようになったのかを解明しようとしています。しかし、それを見つけることは悪夢です。もし、200億文字のゲノム（サンショウウオのような）を標準的なコンピュータツールでスキャンしようとすれば、コンピュータのメモリ（RAM）は瞬時に満杯になり、探索には永遠に時間がかかります。それは、20マイルもある本の中から特定の単語を探すために、一文字ずつすべてを読み進めるようなものです。

魔法のトリック：BWR-finder

研究者たちは、この問題を解決するためにBWR-finder（Burrows–Wheeler Transform-based Repeat finder）を開発しました。ゲノムを通常の書物のように読む代わりに、BWR-finderは**ブロス・ウィーラー変換（BWT）**という数学的な魔法のトリックを使用します。

BWTを、乱雑に積み上げられた本を取り上げ、同じ文字で始まる本をすべてまとめ、次に同じ2文字で始まる本をまとめ……というように整理していく司書だと考えてください。これにより、高度に圧縮され、整理されたリストが作成されます。最も素晴らしい点は、この作業を行うために元の乱雑な本の山を保持しておく必要がないことです。圧縮されたリストのみを使って作業を行うことができます。

BWR-finderはこの圧縮リストを使用してリピートを探索します：

1. シード探索（Seed Search）: 圧縮リストの中から、短く共通する「シード」パターンを探します。リストが整理されているため、ゲノム全体をメモリに格納することなく、驚異的な速さでこれらのシードを見つけることができます。
2. 拡張（Extension）: シードが見つかると、そのパターンを外側に向かって一文字ずつ広げ、リピートがどれほど長いかを調べます。これは、元のゲノムを読み込むのではなく、特殊なマップ（LF/FLマッピングと呼ばれます）を使用して、圧縮リスト内を飛び回りながら行われます。
3. 並列処理（Parallel Processing）: このツールは、多くのコンピュータプロセッサ間で作業を分割して同時に実行します。各シードは独立して探索できるため、ツールは並列で動作し、非常に高速になります。

結果：速く、軽く、そしてより多くを見つけた

チームは、小さなイネのゲノム（382 Mb）から巨大な肺魚のゲノム（87.2 Gb）に至るまでのゲノムを用いてBWR-finderをテストしました。判明した事実は以下の通りです：

• 速度とメモリ: BWR-finderはスピード狂でした。ヒトゲノム（3.1 Gb）において、他のツールが最大で28時間かかったのに対し、BWR-finderは約1時間50分で完了しました。イネのゲノムでは、人気の高いツールであるRepeatModeler2よりも80倍高速でした。
• メモリ使用量: 極めて軽量でした。他のツールがヒトゲノムの解析に30〜92 GBのメモリを必要としたのに対し、BWR-finderは約6.5 GBしか必要としませんでした。これは、巨大なスーパーコンピュータではなく、標準的なコンピュータでも実行できることを意味します。
• 未知の発見: 20.3-Gbのサンショウウオゲノムでテストした際、BWR-finderは既存のデータベースには存在しなかった2.39 Gbのリピート領域を特定しました。これまで目に見えていなかった新しいリピートグループを特定したのです。

トレードオフ：速度か、完璧さか

しかし、論文ではBWR-finderが完璧ではないことも注意深く指摘しています。非常に高速に動作し、多くのシードを同時に処理するため、長いリピート配列を小さな断片へとバラバラにしてしまうことがあります。

あなたが破られた新聞を復元しようとしている場面を想像してください。低速で慎重な手法は、フロントページ全体を完璧に繋ぎ合わせることができるかもしれません。一方、スピード狂であるBWR-finderは、すべての破片を非常に素早く見つけ出しますが、それらを小さな断片の山として残してしまうのです。研究者によると、BWR-finderはヒトゲノムに対して10,000から12,000のリピート配列を生成しましたが、「ゴールドスタンダード」とされるライブラリには約1,100しか存在しませんでした。この多くは、単に同じ物語の断片に過ぎませんでした。

著者らは、BWR-finderは「すべての候補」を迅速に見つけるには優れているものの、科学者たちはその後、これらの断片を完全な物語へと繋ぎ合わせるための「ポリッシング（磨き上げ）」作業を行う必要があるだろうと述べています。

なぜこれが重要なのか

この論文は、肺魚やサンショウウオのような地球上で最大のゲノムを、不可能なほどの計算能力を必要とせずに分析できるようになったことを示唆しています。BWTのトリックを用いることで、BWR-finderは巨大なゲノムの「ダークマター」を探索するための扉を開きました。これは、その指示書が870億文字にまで膨れ上がったとき、生命がどのように進化するのかを理解する助けとなります。これはすべてを一瞬ですべて解決する魔法の杖ではありませんが、生物学的な図書館の最も深く、最も反復的な隅々までを照らし出す、強力な新しい懐中電灯なのです。